优化、RSA和GLUE方法在非线性环境模型参数识别中的比较

参数识别是数学模型应用的前提 ,本文对非线性环境模型常用的 3种参数识别方法进行了比较分析 .优化方法是出现最早、应用最广泛的参数识别方法之一 .但在观测误差存在的情况下 ,采用优化方法识别的最优参数进行模型预测 ,存在很大的决策风险 .考虑到这种不足 ,RSA方法和GLUE方法摒弃了识别单一最优参数的传统思维 ,而把识别参数扩大到多点组成的参数集 .RSA方法与GLUE方法不同的是 ,RSA方法把可行的参数点看成是同等接受的 ,而GLUE方法则根据模拟值与实测值的差别 ,确定其似然度 ,代表参数的可信度水平 .除参数识别以外 ,RSA方法和GLUE方法也是全局灵敏度分析的重要工具 .

非线性环境模型优化的一种数值方法

本文提出了优化非线性环境模型的一种通用的数值方法—加速遗传算法,分析了该算法控制参数的优化特性,总结出了这些参数的简便设置技术,并给了它在环境工程优化计算中的一些应用实例。该方法也可用于其它工程模型优化中。

观测误差对非线性环境模型参数识别的影响

采用SCE UA方法和RSA方法 ,比较了在不同的观测误差条件下 ,优化方法和不确定性分析方法对于非线性模型参数识别的影响 .分析表明 ,RSA方法是在具有观测误差的数据条件下进行参数识别的一种有效手段 .同时 ,通过比较分析 ,发现RSA方法预测的浓度平均值和概率最大值与“真实值”并不完全一致 .因此 ,在使用RSA方法时 ,应该充分考虑预测区间 。